第1章：RICE框架概述
1.1 适用场景
RICE 是产品管理领域中成熟的优先级评估框架，通过 触达范围（Reach）、影响程度（Impact）、置信度（Confidence） 和 投入成本（Effort） 四个维度对需求进行量化评分，最终输出可排序的优先级分值。在 AI 需求评估场景中，RICE 框架能够有效解决因数据依赖、模型不确定性和隐性成本带来的排序难题。
适用场景包括：
- AI 功能需求池排期 — 多个 AI 特性同时进入待办列表时，快速筛选出高价值需求。
- 资源受限时的取舍决策 — 团队算力、数据或人力有限，需选择投入产出比最高的需求。
- 多角色对齐优先级 — 产品、算法、业务方对需求优先级存在分歧时，用统一量化标准达成共识。
- AI 实验项目预评估 — 在正式立项前判断实验的潜在价值与可行性。
关键认知： RICE 框架与 AI 需求评估的天然适配性体现在四个维度分别对应 AI 项目的核心风险——用户覆盖不确定性、业务价值难量化、模型效果不确定、数据与算力隐性成本。下表的适配性分析可帮助团队快速建立映射关系。
| RICE 要素 | AI 需求评估挑战 | 适配优势 |
|---|---|---|
| Reach 触达范围 | AI 功能的用户覆盖难以预估，存在长尾效应 | 通过用户行为数据与场景频次量化触达 |
| Impact 影响程度 | AI 效果（如推荐准确率提升）难以直接换算为业务价值 | 将 Impact 拆解为业务指标与体验指标分层评估 |
| Confidence 置信度 | 模型效果受数据质量、训练分布影响，存在不确定性 | 用置信度量化技术风险，区分高确定性需求与探索型需求 |
| Effort 投入成本 | AI 成本包含数据采集、标注、算力等隐性支出 | 全成本视角覆盖数据、算力、开发、实验等所有资源项 |
💡 实践提示： 在 AI 项目中，Confidence 维度往往需要结合历史实验数据或专家判断进行校准。如果某个需求的 Confidence < 3（以 1–5 分制计），建议先安排技术可行性验证（PoC）再进入正式排期。
1.2 前置条件
在执行 RICE 评估前，团队需完成以下准备：
- 需求清单结构化 — 所有待排期 AI 需求已撰写为统一的卡片格式（含用户故事、预期效果、依赖条件）。
- 用户规模基线数据 — 各需求对应的目标用户群规模及使用频次有初步估算。
- 业务指标映射 — 明确每个需求关联的核心业务指标（如转化率、留存率、处理时长缩短等）。
- 技术可行性评审 — 算法团队完成初步技术调研，确认数据可获取性及模型实现难度。
- 资源日历就绪 — 标注算力、标注人力、开发人力的可用时间段与容量上限。
1.3 操作步骤
本章为框架概述，提供高层级操作流程；各维度的详细打分标准将在后续章节展开。
- 步骤一：评估触达范围（Reach） — 统计每个需求预计影响的独立用户数或使用频次，按月或按版本窗口折算。
- 步骤二：量化影响程度（Impact） — 从业务价值与体验价值两个子维度分别打分，取加权均值。
- 步骤三：判断置信水平（Confidence） — 基于数据确定性、技术成熟度、历史实验效果三个因子打分。
- 步骤四：核算投入成本（Effort） — 汇总数据采集/标注、算